Les médicaments potentiellement inappropriés chez la personne âgée (étude au centre hospitalier universitaire d'Angers)
Bibliographic record
Abstract
En France, la population vieillit. Ce problème de santé publique est le cœur de l actualité. Les personnes âgées, souvent polypathologiques, sont de grandes consommatrices de médicaments. La question se pose donc de la qualité de leurs prescriptions.Face à cette situation, des outils d aide à la prescription se sont développés, en particulier aux Etats-Unis et au Canada, avec élaboration de listes de médicaments à éviter. La liste de Médicaments Potentiellement Inappropriés (PIMs) chez les sujets âgés de 75 ans et plus, établie à la suite de ces travaux par ML Laroche, est particulièrement intéressante, puisqu elle s applique à la pratique médicale française. Une étude de la fréquence de prescription des PIMs a été réalisée au CHU d Angers à partir de cette liste française. Elle présente des résultats alarmants: 42,3% des patients étudiés ont au moins un PIM dans leur prescription. Les benzodiazépines sont les molécules les plus incriminées. Ces résultats sont cohérents avec les autres études effectuées dans le même domaine. Ces observations mettent en évidence la nécessité d accroître la vigilance du personnel de santé lors de la prescription et la délivrance de médicaments dans la population âgée. Dans ce cadre, la diffusion d une telle liste pourrait aider à promouvoir la qualité des traitements du sujet âgé.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".